Phiên bản cuối cùng đã ra mắt: @YanboZhang3, @BeneHartl, và @HananelHazan "Chiến lược tiến hóa mô hình khuếch tán thích ứng theo cách tiếp cận heuristics" Tóm tắt: Các Mô hình Khuếch tán (DMs) và Các Thuật toán Tiến hóa (EAs) chia sẻ một nguyên tắc sinh ra cốt lõi: tinh chỉnh lặp đi lặp lại các phân phối ngẫu nhiên ban đầu để tạo ra các giải pháp chất lượng cao. DMs làm giảm và phục hồi dữ liệu bằng cách sử dụng tiếng ồn Gaussian, cho phép tạo ra một cách linh hoạt, trong khi EAs tối ưu hóa các tham số số thông qua các phương pháp heuristics lấy cảm hứng từ sinh học. Nghiên cứu của chúng tôi tích hợp các khung này, sử dụng DMs dựa trên học sâu để nâng cao EAs trong nhiều lĩnh vực khác nhau. Bằng cách tinh chỉnh lặp đi lặp lại DMs với các cơ sở dữ liệu được chọn lọc theo cách heuristics, chúng tôi tạo ra các tham số con được điều chỉnh tốt hơn, đạt được sự hội tụ hiệu quả về các giải pháp có độ thích nghi cao trong khi vẫn bảo tồn sự đa dạng khám phá. DMs tăng cường EAs với bộ nhớ sâu, giữ lại dữ liệu lịch sử và khai thác các mối tương quan tinh tế để lấy mẫu tinh vi hơn. Hướng dẫn không cần phân loại còn cho phép kiểm soát chính xác hơn về động lực tiến hóa, nhắm đến các đặc điểm genotypical, phenotypical hoặc quần thể cụ thể. Cách tiếp cận lai này biến EAs thành các khung thích ứng, được tăng cường bộ nhớ, cung cấp sự linh hoạt và độ chính xác chưa từng có trong tối ưu hóa tiến hóa, với những tác động rộng lớn đối với mô hình sinh ra và tìm kiếm heuristics.